一种融合密度聚类的电能表隐性缺陷智能识别系统的制作方法

摘要: 本发明涉及电能表状态检测与分拣数据处理,更具体地说,涉及一种融合密度聚类的电能表隐性缺陷智能识别系统及其识别方法。背景技术:1、拆回电能表分拣是计量资产退出现场...
一种融合密度聚类的电能表隐性缺陷智能识别系统的制作方法

本发明涉及电能表状态检测与分拣数据处理,更具体地说,涉及一种融合密度聚类的电能表隐性缺陷智能识别系统及其识别方法。

背景技术:

1、拆回电能表分拣是计量资产退出现场运行后进行质量判别和处置分流的重要环节。分拣线通常按表计标识调取资产档案,通过外观检查、计量性能、时钟、通信、费控、事件记录、负荷开关和电源状态等项目形成检测记录,再据此给出待检定、待维修、待复核或待报废结论。由于自动化工位能够持续产生同一表计的多项目数值和状态码,分拣数据已经具备描述表计剩余使用寿命与失效征兆的基础。

2、公开号cn110348401a公开了“拆回智能表分类处理系统及方法”,该方案将拆回表图像、编号、规格参数、回收检查内容及准确度检测结果关联,用于形成分类处置结果。该文件解决了拆回表信息采集和分类流程的衔接问题,可视为本领域较接近的工程处理路径;不过,其判别仍主要依赖已设置的检查内容和输入结果,对未被现有项目直接定义的群体异常缺少主动发现过程。

3、在数据分析方向,公开号cn105866725a公开了“基于聚类分析和云模型的智能电表故障分类方法”,其利用历史智能电表故障样本进行k均值聚类,再按类中心建立故障云模型并细分故障类型。该技术把聚类引入电能表故障分类,是对前述分拣数据处理路径的分析性补充,但其起点是已有故障样本和预设聚类数,较难覆盖故障样本占比很低、簇形状不规则且尚无故障名称的情形。

4、公开号cn111401785a公开了“基于模糊关联规则的电力系统设备故障预警方法”,该方案采用聚类确定属性区间,并通过关联规则建立规则库以预测设备故障状态。相较单纯分类技术,该文件进一步利用了属性之间的共现关系;然而,规则支持度容易受到设备型号、服役阶段和检测工位等共同因素影响,若把历史共现直接用于拆回表分拣,偶然关联可能随数据量增加而被固化。

5、上述技术分别提供了拆回表分类流程、故障聚类手段和关联规则思路,它们之间具有场景承接和分析补充关系。现有分拣仍面临一类较难直接处置的情况:同一制造批次或相近软硬件版本的少量表计可能尚未出现单项越限,却在电池电压、日计时误差、通信成功率、费控认证状态等多个指标上呈现一致的渐变或联动;这些表计分散在正常样本附近,固定阈值可能判定合格,普通聚类又容易将其并入正常大簇或视为噪声点。另一方面,检测工位漂移也会制造相似群体,若不控制该混杂影响,预警结果难以区分设备缺陷与测试条件异常。

6、因此,需要解决的技术问题是:在缺少足量同类隐性故障标签的情况下,怎样利用拆回表分拣已经产生的全量检测数据和历史复检结果,把显性指标的群体分布变化转化为可解释的隐性故障证据,并在稀疏小簇、缺测通道和工位漂移并存时稳定识别具有共同失效机理的表计群体。

技术实现思路

1、为了在隐性故障样本稀少且单项检测结果未必越限的条件下,从拆回电能表分拣数据中识别具有共同失效机理的低占比表计群体,并抑制检测工位漂移造成的伪群体异常,本发明提出了一种融合密度聚类的电能表隐性缺陷智能识别系统。

2、包括:检测数据接入单元,用于按电能表标识汇集分拣全量检测指标、资产谱系信息和历史复检结论,由所述分拣全量检测指标形成显性特征向量;

3、可比域构建单元,用于依据所述资产谱系信息构建可比样本域,并在所述可比样本域内根据历史稳定样本建立各显性检测特征的参考分布;

4、隐性关系库构建单元,用于控制资产谱系和检测工位引起的混杂影响,确定历史显性特征分布偏移与复检确认故障之间具有跨分层同向条件共现残差的隐性关系边,形成隐性关系库;

5、分布激活单元,用于按照由所述参考分布确定的统一分位边界,计算当前分拣窗口在风险方向上的区间占比变化,并沿所述隐性关系边生成每只待识别电能表的隐性激活向量;

6、双空间密度发现单元,用于将同时满足显性邻域条件和隐性邻域条件的待识别电能表建立密度邻接,获得候选表计簇;

7、簇触发单元,用于根据候选表计簇的节点触发样本占比、独立证据通道覆盖和资产谱系集中度形成预警触发结果;

8、预警输出单元,用于根据所述预警触发结果输出候选表计标识、证据路径和建议复检项目;

9、复检回灌单元,用于执行由隐性关系边与复检项目之间的映射关系生成的定向复检任务,并将确认数据和否定数据分别回灌至所述隐性关系库。

10、检测数据、可比样本域、关系边、表计级激活、候选簇、预警输出与定向复检按照明确的数据承接关系连接。预警结论既包含候选表计,也保留形成结论的显性证据、隐性节点和复检项目;确认与否定结果返回关系库后,后续窗口能够使用更新后的适用分层和可信度,避免将一次相关性结果长期固化。

11、进一步地,所述隐性关系库构建单元将历史数据按制造来源、规格型号、硬件批次、软件版本、服役时长区间和检测工位进行分层;在各分层内,将出现同一显性特征偏移的样本中的故障确认比例减去未出现该显性特征偏移的样本中的故障确认比例,得到所述显性特征偏移指向对应隐性故障节点的条件共现残差;仅当所述条件共现残差在多个满足最小样本量的分层中均为正值,且未确认样本中的显性特征偏移比例未达到否定门限时,建立对应隐性关系边,并为所述隐性关系边记录证据通道、偏移方向、可信度、适用分层、复检项目映射和版本。 以故障确认比例之差定义条件共现残差,使共现强度具有可重复计算的统计含义;最小样本量、否定门限和版本记录限制了稀疏分层及偶然共现对关系边的影响,复检项目映射则为后续验证提供了确定入口。

12、进一步地,所述可比域构建单元还建立检测工位对照域,将同一检测工位在相邻分拣窗口内对不同资产谱系电能表产生的同向分布偏移作为工位漂移证据;当所述工位漂移证据覆盖多个可比样本域且候选表计簇未集中于同一资产谱系时,中止对应隐性关系边的传递,并由所述预警输出单元输出检测工位校核标识。 检测工位对照域把跨资产谱系而集中于同一工位的同向偏移识别为测试条件异常,使数据路径能够在表计缺陷识别与工位校核之间切换。

13、进一步地,所述分布激活单元采用由参考分布确定的同组分位边界分别统计参考样本和当前分拣窗口样本在各分位区间的占比;将风险方向上相邻分位区间的当前占比相对于参考占比的正向差值,按照分位区间顺序和持续窗口数加权形成显性偏移量;将所述显性偏移量与隐性关系边的可信度、适用分层匹配度和证据通道完整度组合为边传递量,并对指向同一隐性故障节点的边传递量进行带衰减累积,形成所述隐性激活向量中的节点触发值。 参考分布统一确定分位边界后,当前窗口各区间占比的变化具有共同尺度;仅累计风险方向上的正向差值,并结合持续窗口、关系边可信度和通道完整度,可保留渐变信号而使短时扰动随衰减退出。

14、进一步地,所述双空间密度发现单元根据两只待识别电能表共同有效的显性检测通道的归一化差异确定显性距离,根据两只待识别电能表共同激活的隐性故障节点的触发值差异和触发方向一致性确定隐性距离;仅在所述显性距离不大于显性邻域半径且所述隐性距离不大于隐性邻域半径时,将所述两只待识别电能表建立密度邻接,并通过所述密度邻接扩展候选表计簇。 显性距离限定可观测检测现象的接近程度,隐性距离限定潜在故障指向和方向的一致程度,两类邻域同时成立后才建立密度邻接,可减少正常大簇与小型隐性故障簇因单一指标接近而合并。

15、进一步地,所述双空间密度发现单元根据有效证据通道比例和对应隐性关系边可信度,在基础密度门限限定范围内确定每只待识别电能表的局部密度门限;将候选表计簇内达到节点触发状态的样本占比最高的隐性故障节点确定为主导隐性故障节点,并将支撑所述主导隐性故障节点且按簇内有效样本数量排序后累计达到通道覆盖门限的证据通道确定为主导证据通道;当待识别电能表缺少任一主导证据通道时,将其保留为待复检边界点而不作为簇扩展核心点。 局部门限在基础门限范围内响应证据可用性,主导证据通道又限制缺少关键证据的样本扩展簇边界,从而兼顾缺测样本利用和候选簇形状稳定。

16、进一步地,所述双空间密度发现单元将隐性激活向量中节点触发值唯一最大的隐性故障节点确定为主导隐性故障节点;在两只待识别电能表的主导隐性故障节点不同或对同一主导隐性故障节点的触发方向相反时,切断所述两只待识别电能表之间的密度连通关系;当存在并列最大的节点触发值时,将对应待识别电能表作为边界点而不作为簇扩展核心点。 节点方向不一致时切断桥接关系,并列最大时禁止对应样本作为核心点,可避免一个缺乏明确故障指向的过渡样本连接不同失效机理。

17、进一步地,所述簇触发单元将候选表计簇内同一隐性故障节点的节点触发值中位数确定为簇聚合触发值,将达到节点触发门限的有效样本数量与簇内有效样本数量之比确定为节点触发样本占比,将支撑所述隐性故障节点的不同检测机理的有效证据通道数量与所需证据通道数量之比确定为证据通道覆盖率,并将同一资产谱系样本的最大数量与簇内有效样本数量之比确定为资产谱系集中度;当所述簇聚合触发值、节点触发样本占比、证据通道覆盖率和资产谱系集中度均达到对应门限时形成预警触发结果;当没有既有隐性故障节点满足上述门限而候选表计簇跨窗口保持密度连通时,根据跨窗口保持同向的主导显性偏移组合建立临时隐性故障节点并形成待复检输出。 中位数降低单个异常触发值对簇级判断的影响,样本占比、独立检测机理覆盖和资产谱系集中度分别约束群体一致性、证据独立性和缺陷来源;临时节点仅形成待复检输出,为未知缺陷保留入口而不直接污染正式关系库。

18、进一步地,所述复检回灌单元将候选表计簇内经同一隐性关系边产生的边传递量之和确定为所述隐性关系边的簇级传递贡献量,按照所述簇级传递贡献量由高至低选择隐性关系边直至达到贡献覆盖门限,并根据所选隐性关系边记录的复检项目映射生成定向复检任务;复检确认时增加对应隐性关系边在相应适用分层中的确认计数,复检未确认时增加否定计数并记录复检条件,根据确认计数和否定计数更新所述隐性关系边的可信度,并在连续未确认次数达到冻结门限时中止所述隐性关系边在相应适用分层中的传递。 簇级传递贡献量使复检项目能够按实际证据贡献排序,关系边中的复检项目映射保证任务可执行;分层更新和连续否定冻结机制同时保留正向确认与反向证据,降低关系库形成自证循环的风险。

19、为了使上述识别过程可以按数据处理步骤实施,本发明还提出了一种融合密度聚类的电能表隐性缺陷智能识别方法。

20、包括:按电能表标识汇集分拣全量检测指标、资产谱系信息和历史复检结论,由所述分拣全量检测指标形成显性特征向量,并依据所述资产谱系信息构建可比样本域及显性检测特征的参考分布;

21、控制资产谱系和检测工位引起的混杂影响,确定历史显性特征分布偏移与复检确认故障之间具有跨分层同向条件共现残差的隐性关系边,形成隐性关系库;

22、按照由所述参考分布确定的统一分位边界,计算当前分拣窗口在风险方向上的区间占比变化,并沿所述隐性关系边生成每只待识别电能表的隐性激活向量;

23、将同时满足显性邻域条件和隐性邻域条件的待识别电能表建立密度邻接,获得候选表计簇;

24、根据候选表计簇的节点触发样本占比、独立证据通道覆盖和资产谱系集中度形成预警触发结果,输出候选表计标识、证据路径和建议复检项目;

25、执行由隐性关系边与复检项目之间的映射关系生成的定向复检任务,并将确认数据和否定数据分别回灌至所述隐性关系库。

26、该方法以统一分位边界、可计算的条件共现残差、双空间邻域和可回溯复检任务建立完整数据链,使候选群体的发现、故障机理解释与后续验证采用同一组版本化证据。

27、整体而言,本发明把历史关系构建、当前窗口激活、双空间密度连通、簇级证据触发、预警输出和复检双向回灌组成连续处理过程。工位对照域用于识别测试条件异常,确认计数与否定计数用于更新关系边在具体适用分层中的状态,临时隐性故障节点则在完成复检前与正式节点隔离保存。